许可协议：apache-2.0
标签：

• 目标检测
• 视觉

数据集：

• coco

示例展示：

• 图片链接：https://huggingface.co/datasets/mishig/sample_images/resolve/main/savanna.jpg
  示例标题：热带草原
• 图片链接：https://huggingface.co/datasets/mishig/sample_images/resolve/main/football-match.jpg
  示例标题：足球比赛
• 图片链接：https://huggingface.co/datasets/mishig/sample_images/resolve/main/airport.jpg
  示例标题：机场

基于ResNet-50骨干网络的可变形DETR单尺度模型

可变形检测变换器（Deformable DEtection TRansformer, DETR）单尺度模型，端到端训练于COCO 2017目标检测数据集（11.8万张标注图像）。该模型由Zhu等人在论文《可变形DETR：端到端目标检测中的可变形变换器》中提出，并首次发布于此代码库。

免责声明：发布可变形DETR的团队未编写此模型的模型卡，本模型卡由Hugging Face团队撰写。

模型描述

DETR模型是一个带有卷积骨干网络的编码器-解码器变换器。在解码器输出之上添加了两个头部以执行目标检测：一个用于类别标签的线性层和一个用于边界框的多层感知机（MLP）。模型使用所谓的对象查询来检测图像中的对象。每个对象查询在图像中寻找特定对象。对于COCO数据集，对象查询的数量设置为100。

模型训练采用“二分匹配损失”：将每个N=100个对象查询的预测类别和边界框与真实标注进行比较，标注会填充至相同长度N（例如，如果图像仅包含4个对象，则其余96个标注的类别为“无对象”，边界框为“无边界框”）。匈牙利匹配算法用于在N个查询和N个标注之间创建最优的一对一映射。接着，使用标准交叉熵损失（用于类别）和L1损失与广义IoU损失的线性组合（用于边界框）来优化模型参数。

预期用途与限制

您可以将该原始模型用于目标检测。查看模型中心以寻找所有可用的可变形DETR模型。

使用方法

以下是使用该模型的方法：

from transformers import AutoImageProcessor, DeformableDetrForObjectDetection  
import torch  
from PIL import Image  
import requests  

url = "http://images.cocodataset.org/val2017/000000039769.jpg"  
image = Image.open(requests.get(url, stream=True).raw)  

processor = AutoImageProcessor.from_pretrained("SenseTime/deformable-detr-single-scale")  
model = DeformableDetrForObjectDetection.from_pretrained("SenseTime/deformable-detr-single-scale")  

inputs = processor(images=image, return_tensors="pt")  
outputs = model(**inputs)  

# 将输出（边界框和类别logits）转换为COCO API格式  
# 仅保留置信度>0.7的检测结果  
target_sizes = torch.tensor([image.size[::-1]])  
results = processor.post_process_object_detection(outputs, target_sizes=target_sizes, threshold=0.7)[0]  

for score, label, box in zip(results["scores"], results["labels"], results["boxes"]):  
    box = [round(i, 2) for i in box.tolist()]  
    print(  
            f"检测到 {model.config.id2label[label.item()]}，置信度 "  
            f"{round(score.item(), 3)}，位置 {box}"  
    )  

目前，特征提取器和模型均支持PyTorch。

训练数据

可变形DETR模型训练于COCO 2017目标检测数据集，该数据集包含训练集11.8万张和验证集5千张标注图像。

BibTeX条目及引用信息

@misc{https://doi.org/10.48550/arxiv.2010.04159,  
  doi = {10.48550/ARXIV.2010.04159},  
  url = {https://arxiv.org/abs/2010.04159},   
  author = {Zhu, Xizhou and Su, Weijie and Lu, Lewei and Li, Bin and Wang, Xiaogang and Dai, Jifeng},  
  keywords = {Computer Vision and Pattern Recognition (cs.CV), FOS: Computer and information sciences, FOS: Computer and information sciences},  
  title = {Deformable DETR: Deformable Transformers for End-to-End Object Detection},  
  publisher = {arXiv},  
  year = {2020},  
  copyright = {arXiv.org perpetual, non-exclusive license}  
}